克服可变性在角落里填充的外观。
当自动光学检测(AOI)的作品,它几乎总是比人类视觉检查。它可以更快、更准确、更一致的,便宜,而且它永远不会累。然而,一些任务非常简单的机器对人类非常困难。目标检测是一个例子。例如,显示一个图像包含一只猫,一只狗,一只鸭子,一个人可以立即确认哪些对象存在,即使他们重叠,并告诉确切点在图像中包含每个对象。这个看似简单的任务可以非常具有挑战性的。在电子装配,制造商可能想确认存在与否,组件的大小和位置。如果是相同的所有组件和变化很少在假期,这是一个相对简单的任务。如果在对象的外观有变化或位置,任务更加困难。角落填充材料用于保护集成电路(IC)衬底。 Though the location of the fill is relatively constant, its shape and size may vary from instance to instance. This variability makes detection much more complicated.
机器学习使用软件算法,自动学习提高机器的性能在一定任务基于反馈过去的表现。深入学习是机器学习的一个子集。深入学习人工神经网络上运行,学习在生物网络使用过程建模,即。,大脑。深度学习的“深度”指的是它所使用的许多神经网络的分层架构。系统可能被训练使用显式的例子学习的概念也可能离开发现自己训练数据中的模式。标签的例子使训练速度,但自我发现打开系统的可能性可能会发现以前未知的数据中的关系。
填充的角落,一个内存制造商接洽CyberOptics寻找一个检验的解决方案,可以检测是否存在填补并测量它的长度。传统的角落填充的方法检验,如blob分析,缺乏挑战的灰度特异性在这个应用程序中。Blob分析试图找到一个连续团在一定强度或对比范围,有时休息大斑点为独立的小斑点。这个客户使用blob分析检验的结果不一致的和不可靠的,有许多假阴性。
研究深度学习的使用对象检测近年来已经取得显著进展,由需求在各种各样的应用程序,包括面部识别和自动驾驶。自主驾驶与角落填充应用程序共享一些需求。它需要快,即。,它需要检测对象,如行人和其他车辆、近实时的。它需要确定对象的大小和位置的视野有足够的准确性,以避免碰撞。它不需要精确定义对象的边缘。
我们提出了一个深度学习的解决方案基于新方法,在自主驾驶应用中已得到了广泛的接受。以前的对象检测方法重新分类器进行检测。这种方法适用于一个单一的神经网络图像,将它划分为区域和预测边界框类概率加权的,都在一个评估。因为整个检测管道是一个网络,它可以优化端到端直接检测性能。所有类,它具有相同的网络体系结构,简化了编程和速度推断法。可以训练网络的个人电脑与一个单一的GPU(图形处理器)。一旦训练,推论可以运行在设备上像手机那样简单。
角落里填下面的角落是一个相对平坦,矩形包不容易看到从任何一个角度。填补某个角落检查系统使用自顶向下的相机和镜子来查看所有的包,因为它旋转,这种方法增加了数据采集的时间和复杂性的过程。我们使用SQ3000多功能系统由Multi-Reflection抑制(夫人)传感器技术,它包含了一种独特的光学传感器最初设计三维检查,并使用相移计量术。传感器将检测目标通过四个同时侧视相机定位正常轴方位角0°,90°、180°、270°。角落填补检查,侧视相机可以立即获得所有四个边的图片,没有镜子或旋转的示例。
我们训练和测试系统使用一组72个图像。10 62图像被用于训练和验证。角落填充标记的训练图像和训练是有双gpu的标准个人电脑上运行。
结果证实了健壮的性能检测存在与否的角落里填补和测量它的长度。一个简化的模型能够执行所有必要的任务。角落的边界框被证明是足够准确的测量。系统容易训练,跑很容易在一个标准的电脑。未来深学习算法标准的集成系统软件将允许工厂工程师培训网络,可以运行在本地检查。有很多潜在有价值的深度学习对象检测申请SMT和半导体应用程序中,我们积极追求。
深度学习的关于这个应用程序的更多信息请访问:案例研究——深度学习角落填充检验和计量集成电路。
|
|
|
|
|
|
|
|
|
|
留下一个回复